5s轻量化改进遥感影像目标检测：从模型压缩到边缘部署实战

1次阅读

共计 3076 个字符，预计需要花费 8 分钟才能阅读完成。

遥感影像目标检测常面临两个核心问题：

模型体积臃肿：ResNet50 等 backbone 在 1024×1024 输入下显存占用超过 4GB，边缘设备无法加载
推理延迟高：COCO 测试集显示，Faster R-CNN 在 Titan XP 上单帧推理需 120ms，而 Jetson Xavier 等设备延迟骤增至 800ms+

实际业务中，卫星影像通常要求：

单帧处理时间≤5 秒（如吉林一号卫星每 2 秒生成一帧）
显存占用控制在 1GB 内（满足 Jetson Xavier 8GB 内存多任务需求）

模型	参数量(M)	COCO mAP	Jetson 延迟(ms)
ResNet50	25.5	36.4	820
MobileNetV3	5.4	29.1	210
YOLOv5s	7.2	37.2	180

选择 YOLOv5s 的三大理由：

骨干网络采用 CSP 结构，计算密度优于 MobileNet 的倒残差
PANet 特征融合对小目标更友好（遥感场景中 30% 目标尺寸 <32×32）
社区生态完善，便于二次开发

教师模型选择训练好的 YOLOv5m，关键蒸馏策略：

# 蒸馏损失函数实现
class DistillLoss(nn.Module):
    def __init__(self, temp=3.0):
        super().__init__()
        self.temp = temp

    def forward(self, student_out, teacher_out):
        # NOTE: 使用 KL 散度对齐分类头
        cls_loss = F.kl_div(F.log_softmax(student_out[..., 4:]/self.temp, dim=-1),
            F.softmax(teacher_out[..., 4:]/self.temp, dim=-1),
            reduction='batchmean') * (self.temp**2)

        # 回归头用 MSE 监督
        reg_loss = F.mse_loss(student_out[..., :4], teacher_out[..., :4])
        return cls_loss + 0.5 * reg_loss  # 加权系数经网格搜索确定

采用 L1-norm 敏感度分析：

计算每个卷积层权重的 L1 范数
按百分比剪枝最小范数通道

可视化代码示例：

import matplotlib.pyplot as plt

def plot_sensitivity(model):
    norms = []
    for name, module in model.named_modules():
        if isinstance(module, nn.Conv2d):
            norms.append(module.weight.abs().sum([1,2,3]).detach().cpu().numpy())

    plt.figure(figsize=(12,4))
    plt.boxplot(norms, showfliers=False)
    plt.xlabel('Layer Index')
    plt.ylabel('L1 Norm')
    plt.title('Channel Sensitivity Analysis')

校准集构建关键点：

从训练集随机采样 200 张（覆盖不同光照 / 地物）
保持原始分辨率，不做中心裁剪
动态范围计算采用百分位截断（消除离群点影响）：

# TensorRT 校准器配置示例
calibrator = trt.EntropyCalibrator2(input_shape=(1,3,1024,1024),
    cache_file='./calib.cache',
    percentiles=[0.5, 99.5]  # 截取 0.5%~99.5% 范围
)

# 模型压缩主流程
def compress_model():
    # 1. 加载预训练模型
    model = torch.hub.load('ultralytics/yolov5', 'yolov5s')

    # 2. 知识蒸馏（需提前训练教师模型）teacher = torch.load('yolov5m.pt')
    distill(model, teacher, epochs=20)

    # 3. 通道剪枝（剪除 30% 通道）prune_model(model, amount=0.3)

    # 4. 量化感知训练
    quantize.prepare(model, inplace=True)
    fine_tune(model, epochs=10)

    # 5. 测试 FPS
    test_fps(model, imgsz=1024)

# export.py 关键参数说明
def export_engine():
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default='yolov5s-pruned.pt')
    parser.add_argument('--imgsz', type=int, default=1024)
    parser.add_argument('--layer-precisions', 
        default='backbone:int8,neck:int8,head:fp16')  # NOTE: 分层精度配置

    # 构建引擎
    builder = trt.Builder(TRT_LOGGER)
    network = builder.create_network()
    parser = trt.OnnxParser(network, TRT_LOGGER)

    # 配置动态输入
    profile = builder.create_optimization_profile()
    profile.set_shape('input', (1,3,1024,1024), (1,3,1024,1024), (1,3,1024,1024))

    # 序列化引擎
    engine = builder.build_serialized_network(network, config)
    with open('yolov5s.engine', 'wb') as f:
        f.write(engine)

在 DOTA-v1.5 测试集上的对比：

模型版本	mAP@0.5	参数量(M)	Jetson 延迟(ms)
原始 YOLOv5s	52.1	7.2	680
压缩后模型	50.3	2.8	48
精度损失	-3.4%	-61%	-93%

关键优化效果：

显存占用从 1.8GB 降至 640MB
支持 4 路 1080p 视频实时处理（总 FPS 83.3）

量化陷阱：
避免使用 ReLU6（TensorRT 的 INT8 不支持该算子）
用 nn.SiLU 替代nn.Hardswish（Jetson 上效率更高）

剪枝后处理：

# BN 层融合必须在剪枝后执行
def fuse_bn(conv, bn):
    fused_conv = nn.Conv2d(
        conv.in_channels,
        conv.out_channels,
        kernel_size=conv.kernel_size,
        stride=conv.stride,
        padding=conv.padding,
        bias=True
    )
    # 融合公式（略）return fused_conv